基于GS-SVM的不同工况下轴承损伤程度诊断方法技术

本发明专利技术涉及一种基于GS‑SVM的不同工况下轴承损伤程度诊断方法，包括如下步骤：步骤S1：获取不同工况下轴承的振动加速度信号；步骤S2:设定VMD算法的参数;步骤S3：计算所获取振动加速度信号的时域指标、频域指标，并对所获取的振动加速度信号进行VMD分解，基于分解结果，计算其样本熵；步骤S4：根据得到的振动加速度信号的时域指标、频域指标与分量样本熵构成特征向量并进行归一化；步骤S5：采用网格搜索法对支持向量机的惩罚系数C和径向基核函数参数g寻优，将训练集输入支持向量机进行训练；步骤S6：将测试集输入训练后的支持向量机，判断故障轴承的损伤程度。本发明专利技术能够构建最优的SVM，对于轴承损伤程度的诊断更为精准。

Diagnosis Method of Bearing Damage Degree under Different Working Conditions Based on GS-SVM

The present invention relates to a bearing damage diagnosis method based on GS SVM under different working conditions, including the following steps: acquiring vibration acceleration signals of bearings under different working conditions; setting parameters of VMD algorithm; and calculating time-domain and frequency-domain indicators of the obtained vibration acceleration signals, and decomposing the obtained vibration acceleration signals by VMD. The decomposition results are used to calculate the sample entropy; 4: According to the time-domain index, frequency-domain index and component sample entropy of the vibration acceleration signal obtained, the eigenvector is formed and normalized; 5: The penalty coefficient C and radial basis function parameter g of the support vector machine are optimized by grid search method, and the training set is input into the support vector machine for training; 6: The test set is transmitted. After training, the support vector machine is used to judge the damage degree of the fault bearing. The invention can construct the optimal SVM, and can diagnose the damage degree of the bearing more accurately.

【技术实现步骤摘要】
基于GS-SVM的不同工况下轴承损伤程度诊断方法
本专利技术涉及转类机械故障智能诊断领域，具体涉及一种基于GS-SVM的不同工况下轴承损伤程度诊断方法。
技术介绍
轴承作为传动系统不可或缺的零部件，其运行状态的好坏将直接关系到整个设备的工作情况。因此，轴承的状态监测和故障诊断一直备受关注。及时发现轴承故障类型，根据其损伤程度采取相应的处理措施能够有效的避免连锁故障的发生，从而可以降低设备维护成本，避免重大危险事故的发生。当轴承发生故障时，常用信号处理方法进行分析，后使用Hilbert变换进行包络解调分析。然而，当同一种故障的严重程度不同时，包络谱无法对损伤程度进行表征。故常规的故障诊断方法难以实现轴承损伤程度的诊断。近年来，神经网络、聚类分析、支持向量机等智能诊断方法深受学者青睐，在故障分类、故障智能识别、传动系统健康评估、零部件的寿命预测都有较广的应用。对于轴承损伤程度的诊断，两个主要技术难点是如何特征提取和选择分类算法。对于特征选取，有学者采用小波分解、EMD分解、EEMD分解后，对其若干分量进行能量提取或者近似熵的计算，从而构造智能识别算法所需的特征向量。尽管这些方法在故障特征提取得了一定的效果，但仍存在以下问题：(1)小波分解难以根据不同信号实现小波基和分解层数的自适应选择；(2)EMD分解存在端点效应及模态混叠现象，EEMD分解尽管改善了EMD中的模态混叠现象，但白噪声的选择不具有自适应性。不同于上述信号处理方法，变分模态分解(VMD)是一种非递归的自适应信号分解方法，能够有效避免模态混叠、端点效应等问题。显然VMD较上述方法更适合故障信息的提取。另一方面，样本熵则是一个优于近似熵的能够表征序列特征的指标。实际操作中，仅使用信号分解后，分量的特征指标往往也较难得到较好的诊断分类效果。为此，使用原始信号的时域指标与频域指标与分量的指标构成特征向量，能够完整的表征信号特征信息。对于智能识别算法的选择，有学者采用BP神经网络、K-均值聚类算法等智能分类算法对故障类型进行判别分类。神经网络和聚类算法的特征向量个数会直接影响到分类结果且神经网络的训练需要大量样本。在多特征向量训练情况下，上述两种模式识别算法还需要对特征向量进行降维。SVM是由Vapnik提出的一种模式识别方法问，其理论基础是统计学习理论的VC维理论和结构风险最小原理，统计学习理论是一种专门研究小样本条件下机器学习规律的理论，该理论是针对小样本统计问题建立起的一套新型理论体系，在该体系下的统计推理规则不仅考虑了对渐进性能的要求，而且追求在有限信息条件下的得到最优结果，该方法对小样本条件下的非线性映射具有独特的优势，又能限制过学习，特别适合小样本的数据处理，在故障样本较少的机械故障诊断中，SVM已经得到广泛应用。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于GS-SVM的不同工况下轴承损伤程度诊断方法，以解决轴承不同故障程度产生的冲击信号难以被提取的问题。为实现上述目的，本专利技术采用如下技术方案：一种基于GS-SVM的不同工况下轴承损伤程度诊断方法，其特征在于，包括如下步骤：步骤S1：获取不同工况下轴承的振动加速度信号；步骤S2:设定VMD算法中的惩罚因子α＝2000，根据健康状态的振动信号从避免模态混叠的角度确定所有信号的模态分解个数K；步骤S3：计算所获取振动加速度信号的时域指标、频域指标，并由步骤S2确定的VMD参数，对所获取的振动加速度信号进行VMD分解，基于分解结果，计算其样本熵；步骤S4：根据得到的振动加速度信号的时域指标、频域指标与分量样本熵构成特征向量并进行归一化,将归一化后的特征向量随机分成训练集和测试集；步骤S5：采用网格搜索法对支持向量机的惩罚系数C和径向基核函数参数g寻优，将训练集输入支持向量机进行训练，得到训练后的支持向量机；步骤S6：将测试集输入训练后的支持向量机，判断故障轴承的损伤程度。进一步的，所述不同工况下轴承的振动加速度信号包括健康、轴承微弱故障、轴承中度故障、轴承重度故障振动加速度信号，每种信号都包含0Hp、1Hp、2Hp、3Hp四种不同负载，每种工况下的实测信号长度和个数均相等。进一步的，所述VMD算法具体为：能够自适应将一个实际信号x分解成K个模态分量uk，并确定每个分量的中心频率ωk和带宽；选用健康信号来获取整个系统所采集到振动信号的模态分解个数K,由K＝2开始，按照K＝K+1迭代对信号进行分解，若信号分解后任意两个分量的中心频率的差值≤0.1fmin,则停止迭代，K由上一步模态分解个数确定。进一步的，所述计算其样本熵时，嵌入维数m＝2，相似容限r＝0.1×sd，其中sd为分量的标准差。进一步的，所述原始信号的时域指标包括标准偏差、最大值、峭度、均方根、波峰指标、裕度因子、波形指标、脉冲因子；所述原始信号的频域指标包括平均频率、中心频率、平均频率均方根、标准偏差频率。进一步的，所述步骤S4归一化具体为：归一化至区间[0,1]，计算公式为：式中：l为数据组数，I′＝(I′1I′2I′3I′4……I′16)则为归一化后的特征向量。进一步的，所述惩罚系数C和径向基核函数参数g的搜索区间均为[2-10,210]。进一步的，所述网格搜索法的过程中分为两步，先以步长为21粗略的找出C、g较优的一个范围，进一步的在该较优范围以步长20.5进行进一步精密搜索。本专利技术与现有技术相比具有以下有益效果：1、本专利技术能充分发挥VMD在信号自适应分解的优越性，也能彰显样本熵能很好反映序列特征的优势，与原始信号时域指标、频域指标相结合构成特征向量；能够克服单一使用VMD样本熵难以完整提取出故障信息的缺点。2、本专利技术由健康状态的振动信号，从避免模态混叠的角度出发，确定VMD分解个数K，相比其它寻优算法确定VMD参数，具有计算时间短，效率高的特点，且由健康状态信号确定所有信号VMD分解的K有利于特征向量长度的统一，便于SVM训练。3、本专利技术使用网格搜索法确定SVM中的惩罚系数C和核函数参数g，能够避免随机参数对整个算法的影响。附图说明图1为本专利技术的方法流程图。图2为本专利技术实施例中SVM中，参数C、g的粗略寻优结果。图3为本专利技术实施例中SVM中，参数C、g的精细寻优结果。图4为本专利技术实施例中轴承故障损伤程度的训练和测试结果。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。实施例：参照图1，本专利技术的一种基于GS-SVM的不同工况下轴承损伤程度诊断方法，具体包括以下步骤。步骤S1:搭建旋转机械试验台，设置输出轴的轴承内圈故障，按照轴承损伤大小分别认定为微弱故障，中度故障，严重故障。使用加速度传感器采集齿轮箱轴承座的振动信号，采样频率fs为12000Hz，采样总点数为4096点。为更加充分贴合实际工况下轴承损伤的振动信号，4种不同轴承状态分别在负载0Hp，1Hp，2Hp，3Hp进行数据采集，包括健康状态、轴承微弱故障、轴承中度故障、轴承重度故障各40组数据，每种状态下的不同负载各10组，共采集160组数据。步骤S2：将加速度传感器安装在所述旋转机械设备的轴承座上，测量方向为垂直于水平面的方向，以获得垂直方向上的振动加速度信号。先确定VMD算法中的两个参数。本专利技术根据健康状态下的振动信号从避免模态混叠的角度来确定模态分解本文档来自技高网...

【技术保护点】
1.一种基于GS‑SVM的不同工况下轴承损伤程度诊断方法，其特征在于，包括如下步骤：步骤S1：获取不同工况下轴承的振动加速度信号；步骤S2:设定VMD算法中的惩罚因子

【技术特征摘要】
1.一种基于GS-SVM的不同工况下轴承损伤程度诊断方法，其特征在于，包括如下步骤：步骤S1：获取不同工况下轴承的振动加速度信号；步骤S2:设定VMD算法中的惩罚因子α=2000，根据健康状态的振动信号从避免模态混叠的角度确定所有信号的模态分解个数K;步骤S3：计算所获取振动加速度信号的时域指标、频域指标，并由步骤S2确定的VMD参数，对所获取的振动加速度信号进行VMD分解，基于分解结果，计算其样本熵；步骤S4：根据得到的振动加速度信号的时域指标、频域指标与分量样本熵构成特征向量并进行归一化,将归一化后的特征向量随机分成训练集和测试集；步骤S5：采用网格搜索法对支持向量机的惩罚系数C和径向基核函数参数g寻优，将训练集输入支持向量机进行训练，得到训练后的支持向量机；步骤S6：将测试集输入训练后的支持向量机，判断故障轴承的损伤程度。2.根据权利要求1所述的基于GS-SVM的不同工况下轴承损伤程度诊断方法，其特征在于：所述不同工况下轴承的振动加速度信号包括健康、轴承微弱故障、轴承中度故障、轴承重度故障振动加速度信号，每种信号都包含0Hp、1Hp、2Hp、3Hp四种不同负载，每种工况下的实测信号长度和个数均相等。3.根据权利要求1所述的基于GS-SVM的不同工况下轴承损伤程度诊断方法，其特征...

【专利技术属性】
技术研发人员：张俊，张建群，钟敏，汤伟民，许涛，李习科，
申请(专利权)人：福州大学，江苏泰隆减速机股份有限公司，
类型：发明
国别省市：福建,35